文章信息
- 胡珍珠, 潘存德, 潘鑫, 朱白雪
- Hu Zhenzhu, Pan Cunde, Pan Xin, Zhu Baixue
- 基于光谱水分指数的核桃叶片含水量估算模型
- Estimation Models for Water Content of Walnut Leaves Based on Spectral Moisture Index
- 林业科学, 2016, 52(12): 39-49
- Scientia Silvae Sinicae, 2016, 52(12): 39-49.
- DOI: 10.11707/j.1001-7488.20161205
-
文章历史
- 收稿日期:2015-11-12
- 修回日期:2016-01-19
-
作者相关文章
水分是作物生长过程中必不可少的因素之一(Dubey,1999; Shirley et al.,1990; Shahenshah et al.,2010),影响作物生理生化过程和形态结构,进而影响作物的生长、发育和产量(薛利红等,2003; Kramer,1983)。水资源的日益短缺要求农业生产更有效地提高其利用效率,因此,适时准确监测作物水分状况,对指导农作物节水灌溉和水分管理具有重要意义(Zhang et al.,2012)。作物水分监测一般采用干重法,不仅费时费力,而且难以实时监测作物体内的水分动态变化(朱西存等,2014)。作物的水分状况通常可通过根、干、枝、叶或整个冠层的生理生化特性反映出来,而相比其他器官,叶片的新陈代谢最为旺盛,生物学特性表现最为敏感,因此,通过叶片监测进而了解作物体内水分状况从而指导合理的田间灌溉和水分管理最为有效(Menesatti et al.,2010; Suo et al.,2010)。光谱监测手段不仅可以满足作物水分监测在空间广泛性和时间连续性上的要求,而且能够实现对作物水分状况实时、快速、准确的监测(林川等,2011),是农业生产中对作物水分实时监测和灌溉管理具有应用潜力的技术手段。作物体内的水分会引起其叶片颜色、厚度、水分含量以及形态结构等发生一系列改变,从而导致其光谱反射特性的变化,这为采用光谱技术手段对作物水分状况进行适时监测提供了基础。目前,光谱对水分状况进行监测已广泛应用于土壤(Somers et al.,2010)、经济作物(Thomas et al.,1971; Ceccatoa et al.,2001; Clevers et al.,2008; Zhang et al.,2012)、果树(杨勇等,2011)的研究中。如采用光谱技术监测土壤水分含量估算模型的决定系数达0.82,而传统的土壤水分监测模型决定系数仅为0.59(Somers et al.,2010);分别以1 450和1 930 nm波段处的光谱反射率构建的陆地棉(Gossypium hirsutum)叶片含水量对数关系模型的决定系数分别为0.91、0.89(Thomas et al.,1971); 而采用光谱水分指数WI1(水分指数)、WI2(水分指数)、NDWI(归一化差值水分指数)、Ⅱ(归一化红外水分指数)、SR(简单比值水分指数)、Ratio975(中心波长为975 nm比值水分指数)、Ratio1200(中心波长为1 200 nm比值水分指数)利用逐步回归分析构建的柑橘(Citrus reticulata)叶片含水量估算模型的决定系数也达0.804 2(杨勇等,2011),均表现出了叶片光谱信息对其水分含量具有较好的定量可反演性。核桃(Juglans regia)作为世界四大坚果树种之一,果实的营养和经济价值很高,在新疆南疆盆地水资源严重匮乏区,人工绿洲的栽种面积已超过3.22×105 hm2,采用先进技术定量监测作物水分含量以指导节水灌溉和水分管理尤为重要。本研究以南疆盆地阿克苏、和田、喀什等地人工绿洲广泛栽种的‘温185’(J. regia ‘Wen185’)核桃叶片为研究对象,通过测定果实不同生育时期叶片含水量及其光谱反射率,旨在筛选与叶片含水量紧密相关的光谱水分指数,以期构建基于光谱水分指数的‘温185’核桃果实不同生育时期叶片含水量估算模型,为南疆盆地核桃生产园的节水灌溉与水分管理提供技术参考。
1 材料与方法 1.1 试验材料试验地位于新疆阿克苏地区乌什县阿克托海乡阿特房子村核桃生产园(79°15′41.28″—79°15′52.02″E,41°12′54.36″—41°13′03″N; 海拔1395 m)。乌什县位于天山南麓托什干河中游,属暖温带大陆性干旱气候,年均降水量91.5 mm,年均蒸发量2 003.8 mm,年日照时数2 750~2 850 h,农业为绿洲灌溉农业,农林业生产依赖人工灌溉。试验地面积2 hm2,树龄12年,株行距5 m×6 m,东西行向栽植,‘温185’为主栽品种,‘新新2号’(J. regia ‘Xinxin2’)为授粉品种。试验共设计42个试验小区,随机排列。每一试验小区10株树,共计420样株,树体生长健康,树体大小一致。
1.2 试验方法 1.2.1 光谱数据采集‘温185’核桃叶片光谱数据的采集均在野外进行,采集时间分别为核桃果实的5个关键生育时期,即: 果实坐果期(5月5日)、速生生长期(5月30日)、硬核期(6月29日),脂化期(7月1日)和近成熟期(8月25日)。光谱数据采集采用PP Systems公司生产的UniSpec-SC(单通道)便携式光谱分析仪,并加载手持叶夹式叶片光谱探测器。该仪器自带卤化灯,光源稳定,光谱采样波长范围为可见光/近红外310~1 130 nm,光谱分辨率<10 nm,绝对精度<0.3 nm,输出波段数为821个(光谱仪最后将数据重采样成1 nm)。进行光谱数据采集时将叶片置于叶夹的叶室中,夹紧叶片,并确保叶片水平且被探测面积与叶室面积相同,以消除背景反射、叶片表面弯曲等因素造成的光谱波动及叶片内部变异造成的影响。所有光谱数据的测量均选择天气晴朗无云、无风或微风条件下进行,测定时间为12:00—15:00(北京时间),此时太阳几乎直射叶面(太阳高度角变化较小),光照条件良好。光谱仪每次数据采集前进行标准校正,测定过程中根据天气条件及时进行白板标准校正,标准白板的反射率为1,所测得的目标光谱数值是无量纲的相对反射率。为消除外界干扰以保证所测光谱数据的可靠性及精度,试验小区每一样株从东、南、西、北4个方向选取树冠中上部外围当年生枝条中部健康叶片10片,每个试验小区将采集的100片混合叶片作为1个样品,共42个样品。为减少数据的冗余度,消弱光谱的信噪比,对每片活体健康叶片选取6个样点重复测定,即: 叶脉两侧分别选取叶片前部、中部及后部重复测定。每个观测样点记录5个采样光谱,每一观测样株共计测定300个采样光谱值,以其平均值作为该样株叶片的光谱反射率值,即每一试验小区记录10条光谱曲线,共记录420条光谱曲线。
1.2.2 叶样含水量测定为确保采样对象与观测对象的严格一致性,与光谱数据测定同步,对已进行光谱数据测定的‘温185’核桃样株叶片进行采集,每个试验小区采集的叶样(100片)混合成一个样品,共42个样品。立即用纱布将叶片表面擦拭干净,置于电子天平上分别称其鲜叶质量(FW),称重后将叶样装入牛皮纸信封,置于105 ℃烘箱中杀青30 min,80 ℃下烘至恒质量,称其干质量(DW)。本研究中,相对含水量RWC(relative water content)计算公式为RWC%=[(FW-DW)/FW]×%。
1.3 数据分析 1.3.1 光谱数据预处理仪器特性、目标物本身光谱特性、自然环境等因素均对光谱反射率有一定的影响,导致获取的光谱数据中既包含目标物光谱信息也包含噪声信息。而光谱数据的某些预处理不仅可以突出光谱信息的某些细微差别,还可以减少随机噪声,提高光谱信噪比。本研究中光谱数据的预处理主要包括光谱曲线均值和光谱平滑去噪2个部分:
1) 光谱曲线均值处理 每一样株选取健康叶片10片,对每片叶片测定6个样点,每个观测样点每次记录5个采样光谱,每一观测样株共计测定300个采样光谱值,以其平均值作为该样株叶片的光谱反射率值以减少数据的冗余度,消弱光谱的信噪比。
2) 光谱平滑去噪处理 由于光谱仪波段间对能量响应上的差异,使得光谱曲线总存在一些噪声。为了得到平稳与概略的光谱曲线变化,需要平滑波形,以去除包含在信号内的少量噪声。本研究中选用前后9个波段的平均值作为滤波后的光谱值,其函数表达式为: R′i=(Ri-4+Ri-3 +Ri-2 +Ri-1 + Ri +Ri+1+Ri+2+Ri+3+Ri+4)/9。
1.3.2 光谱水分指数计算光谱水分指数是由多波段光谱反射率组合而成。采用光谱水分指数构建作物含水量估算模型,比采用单一波段更稳定、可靠(徐希儒,2005),不仅对作物含水量的变化较为敏感,而且还可以使光谱反射信息最大化、外部因素影响最小化(Yang et al.,2009),因此光谱水分指数可作为监测含水量的特征参数。依据在湿地植物(林川等,2011)、苹果(Malus pumila)(朱西存等,2014)、柑橘(杨勇等,2011)上的相关研究并结合本试验所使用的光谱仪特点,本研究共选用对叶片水分含量有较好预测性的光谱水分指数6种,即: 水分指数(WI)(Penuelas et al.,1996)、归一化水分指数(NDWI)(Penuelas et al.,1997)、比值指数(WI/NDWI)(Penuelas et al.,1997)、水分波段指数(WBI)(Riedell et al.,1999)、中心波长比值指数(Ratio975)(Pu et al.,2003)、光化/生理反射指数(PRI)(Thenot et al.,2002)。进行模型构建时,6种水分指数依次作为自变量x1、x2、x3、x4、x5、x6输入。
以果实不同生育时期所测叶片含水量和光谱数据为基础,应用Pearson相关计算水分指数与含水量间的相关系数,采用双侧方法检验‘温185’核桃叶片水分含量与光谱水分指数的相关性。采用4种方法构建基于光谱水分指数的果实不同生育时期叶片含水量光谱估算模型,即: 1)一元线性回归MLR(monadic linear regression); 2)多元线性逐步回归SMLR(stepwise multiple linear regression);3)主成分回归PCR(principal component regression); 4)偏最小二乘回归PLSR(partial least squares regression)。与此同时,采用纠正后的拟合度(R2)比较模型拟合的优劣程度。
当样本数比光谱波段数少时,波段反射率可能并未与核桃叶片某些理化成分相关,但其噪声模式可能与某种理化成分相关,从而出现“过度拟合”现象。为了控制和避免“过度拟合”,本研究对所建立的基于光谱水分指数的叶片含水量估算模型采用独立样本进行检验,以评价模型的可靠性和适应性。分别在‘温185’核桃果实的坐果期、速生生长期、硬核期、脂化期和近成熟期,从大田生产园中随机抽取60个样株作为独立样本,采用置信椭圆F检验法对建立的果实不同生育时期叶片含水量光谱估算模型的估算值与实测值的一致性进行检验,并绘制估算值与实测值1∶1关系图,以直观显示模型估算值与实测值的一致性程度。置信椭圆F检验计算公式(钟义山等,1987):
$F=\frac{\frac{1}{2}\left[ n{{a}^{2}}+2a\left( b-1 \right)\sum\limits_{i=1}^{n}{{{x}^{2}}_{i}+{{\left( b-1 \right)}^{2}}\sum\limits_{i=1}^{n}{{{x}^{2}}_{i}}} \right]}{\frac{1}{n-2}\sum\limits_{i=1}^{n}{{{\left[ {{y}_{i}}-(a+b{{x}_{i}}) \right]}^{2}}}},$ |
式中: n为预测集样本数,xi为预测集样本的估算值, a为估算值与实测值拟合的回归直线截距,b为估算值与实测值拟合的回归直线斜率。
与此同时,为了评判估算模型的可靠性和适应性,采用均方根误差(RMSE)和相对误差(RE)(吴仲贤,1993)度量模型的估算精度。
2 结果与分析 2.1 果实不同生育时期叶片含水量及叶片不同含水量光谱反射率变化特征随果实生育时期的变化,‘温185’核桃叶片含水量表现出较为明显的变化趋势(表 2),即: 随果实生育时期的推移,叶片含水量逐渐降低,其中果实速生生长期至硬核期叶片含水量减少幅度较大,而果实硬核期至近成熟期减少幅度相对较小。
‘温185’核桃叶片不同含水量水平的光谱响应曲线在整个光谱波段上具有相同的变化趋势,但不同波段的光谱反射曲线趋势的差异较明显(图 1)。其中在可见光波段,光谱反射率随叶片含水量的增加而增大; 而在近红外波段则表现出相反的规律,即随叶片含水量的增加光谱反射率呈减弱趋势。对蓝光、绿光、黄光、红光、近红外波段光谱反射率进行方差分析和多重比较的结果显示(表 3),叶片不同含水量的光谱反射率在绿光、黄光、红光、近红外光波段均存在极显著差异(P<0.01),表明除蓝光波段外,上述其他波段均是‘温185’核桃叶片水分含量的光谱敏感波段。
对‘温185’核桃叶片含水量与光谱水分指数进行相关分析(表 4),果实不同生育时期叶片含水量与不同尺度光谱水分指数整体上相关性较好,均呈极显著正相关关系(P<0.01)。其中,果实坐果期、速生生长期叶片含水量均与光谱水分指数WI/NDWI的相关性最强,相关系数分别为0.859 0和0.921 2。而果实硬核期、脂化期、近成熟期叶片含水量分别与光谱水分指数Ratio975、WI、WBI相关性最强,相关系数分别为0.581 8、0.694 3和0.936 7。
由于叶片含水量与光谱水分指数具有较好的相关性,表明采用光谱水分指数对叶片含水量进行反演估算具有较强的可行性。故选取每个果实生育时期与叶片含水量呈极显著相关的光谱水分指数作为自变量(x),以叶片含水量为因变量(y),进行一元线性回归分析,所得结果见表 5。由单一波段构建的‘温185’核桃叶片含水量一元线性回归模型虽都达到了极显著水平(P<0.01),但模型拟合度相对较低,尤其是果实硬核期,模型拟合度(R2)仅为0.499 1。
以预处理后的光谱反射率为基础,在果实不同生育时期采用多元线性逐步回归分析方法从光谱水分指数中筛选进入叶片含水量估算模型的自变量(xi)。由表 6可见,较单波段MLR模型,SMLR模型的拟合度(R2)有了较大幅度的提高。采用独立样本对以光谱水分指数为自变量构建的叶片含水量估算模型进行检验,由图 2可知,果实5个生育时期叶片水分含量估算值与预测值的拟合度(R2)均较高,置信椭圆检验的F值依次为Fzg=0.003 6(坐果期)、Fss=2.891 6(速生生长期)、Fyh=2.730 0(硬核期)、Fzh=1.310 0(脂化期)和Fcs=2.020 0(近成熟期),均小于F0.05(2,58)=3.15,表明模型估算值与实测值之间的差异不显著,具有较好的一致性。果实5个生育时期叶片含水量模型的均方根误差(RMSE)和相对误差(RE)依次为0.613 73 g·kg-1、0.818 2%,3.532 4 g·kg-1、2.248 8%,5.678 6 g·kg-1、2.885 9%,2.445 6 g·kg-1、1.953 6%和4.182 7 g·kg-1、2.435 3%,均较低,表明采用多元线性逐步回归分析方法构建的‘温185’核桃叶片含水量估算模型具有较高的估算精度。
以6个光谱水分指数为自变量(x),采用主成分分析方法,将变量通过正交变换形成相互独立的主成分变量,以消除多重共线性的影响,进而构建叶片含水量PCR模型(表 7)。由光谱水分指数构建的叶片含水量PCR模型的拟合度(R2)整体均较高,但相比SMLR模型,除果实速生生长期外,其余4个生育时期模型拟合度(R2)较之略低。采用独立样本对模型估算值与实测值的一致性进行检验,置信椭圆检验F值分别为Fzg=0.001 8(坐果期)、Fss=2.749 2(速生生长期)、Fyh=2.620 0(硬核期)、Fzh=1.400 0(脂化期)和Fcs=54.81(近成熟期),除果实近成熟期外,其他生育时期置信椭圆检验F值均小于F0.05(2,58)=3.15,表明近成熟期模型叶片水分含量估算值与实测值之间的差异较大,一致性较差(图 3),且模型均方根误差(RMSE)和相对误差(RE)较SMLR模型略大。表明除果实近成熟期外,PCR模型虽对果实其他生育时期叶片含水量有较好的预测性,但模型对果实坐果期、硬核期和脂化期叶片含水量的估算精度比SMLR模型略差。
以6个水分指数作为输入变量(x),构建叶片含水量PLSR模型。对果实不同生育时期叶片含水量估算模型估算值与实测值的一致性进行检验,置信椭圆检验F值分别为Fzg=0.195 0(坐果期)、 Fss=3.170 0(速生生长期)、Fyh=2.980 0(硬核期)、Fzh=1.200 0(脂化期)和Fcs=0.160 0(近成熟期),除速生生长期外,其他4个生育时期均小于F0.05(2,58)=3.15,表明速生生长期模型估算值与实测值存在显著差异(P>0.05),二者不具有一致性。而由表 8可知,果实5个生育时期叶片含水量PLSR模型的拟合度(R2)分别为0.753 3、0.820 9、0.570 5、0.951 5、0.803 7,均低于SMLR模型和PCR模型,并且均方根误差(RMSE)和相对误差(RE)(图 4)依次为1.021 0 g·kg-1、1.109 7%,5.032 0 g·kg-1、2.713 7%,11.205 6 g·kg-1、3.680 8%,3.019 4 g·kg-1、2.217 3%和5.516 7 g·kg-1、3.301 9%,也均比SMLR模型和PCR模型的均方根误差和相对误差大的多。可见,PLSR模型对‘温185’核桃叶片水分含量的预测效果并不佳。
不同含水量水平的‘温185’核桃叶片对光谱响应的模式各不相同。在可见光波段,光谱反射率随叶片含水量的增加而增大,而近红外波段则呈现相反的变化,随叶片含水量的增加光谱反射率呈减弱趋势。这是因为在可见光波段内,叶绿素对作物的光谱特性起主导作用(Johnson et al.,1994),而叶绿体形状随着水分含量的降低而变化,如结构解体、双层膜损坏、基粒片层结构被破坏等(谢深喜等,2008),从而导致光谱反射率在可见光波段随叶片含水量的增加而增大。此外,近红外波段主要受叶片内部结构和水分含量的影响(Suplick et al.,2011),并存在强烈的水分吸收带,当水分含量增大时,其对光谱具有强烈的吸收作用,从而导致光谱反射率减小。
采用不同回归方法所构建的‘温185’核桃叶片含水量光谱估算模型中,果实坐果期、硬核期、脂化期和近成熟期以SMLR模型拟合度(R2)最高,而果实速生生长期则以PCR模型拟合度(R2)最高,且2种回归模型的估算值与实测值具有较好的一致性,均方根误差(RMSE)和相对误差(RE)均较小,模型具有良好的稳定性和较高的估算精度。回归模型存在入选波段的稳定性差、波段生化参量含义不明确、共线性和回归模型的过度拟合等问题(郭超凡等,2014),许多学者就此类问题提出了大量解决方法(Bortolot et al.,2003; Kokaly et al.,1999; Pasternak et al.,2001),但并未取得较为理想和统一的效果。光谱指数是将简单的单波段光谱信息转化为相对复杂的组合波段,不但可以增加信息的负载量、增大波段间的差异,还可以降低外界因素的影响,从而将光谱信息最大化(Cheng et al.,2011)。本研究基于光谱水分指数,采用4种方法构建的‘温185’核桃果实不同生育时期叶片含水量光谱估算模型中,MLR模型预测精度相对较低,这是由于受鲜叶表面角质层、蜡质层、叶毛等表面、内部结构的影响所致。此外,用单一光谱水分指数构建的模型,结构较为简单,容易造成大量光谱信息的丢失,具有一定的局限性(Lee et al.,2004),从而难以全面准确地监测核桃叶片水分状况。而构建的果实不同生育时期叶片含水量SMLR和PCR模型取得了较好的预测效果,模型拟合度(R2)均较高,且独立样本检验的模型估算值与实测值一致性较好,RMSE和RE相对较小。其中,果实坐果期、硬核期、脂化期、近成熟期叶片含水量以SMLR模型效果最佳,果实速生生长期则以PCR模型效果最好。这也说明,模型拟合采用的光谱参数越多,所构建的模型包含的光谱信息越丰富,其预测精度也越高。有研究显示,SMLR和PCR模型在苹果树叶片水分含量的监测中均取得了较好的效果(朱西存等,2014)。这是因为当自变量较多时,其相互之间可能存在某种相互关系,采用SMLR建模可对其进行筛选,从而提高模型的预测效果。而当自变量之间存在高度相关性时,由于“多重共线性”导致估算模型的参数估计失真和模型稳定性降低,采用PCR建模则使自变量转化为相互独立的变量,消除了多重共线性的影响,从而提高了估算模型的精度和稳定性。因此,SMLR和PCR模型对‘温185’核桃叶片含水量均有较高的估算精度。PLSR也可在一定程度上消除由自变量的高度相关性而引起的估算模型参数估计时“多重共线性”的影响。很多研究利用该方法进行植物生化成分反演,如在湿地植物芦苇(Phragmites australis)和香蒲(Typha angustifolia)叶片N含量(郭超凡等,2014),农作物和牧草生理参数估算等方面也取得了较好的效果(Hen et al.,2010; Zhang et al.,2010; Kawamura et al.,2008)。而本研究采用PLSR构建的‘温185’核桃叶片含水量模型估算效果相对较差,这可能是因为所研究的对象在叶肉结构、叶片内部的生理生化性质、叶绿体色素、蛋白质、核酸、糖类等物质含量上差异较大而导致。另外,所采用的光谱指数均是前人提出的固有波段组合,其适用性在一定程度上因植物的类型、生长环境的不同而存在差异。
此外,本研究所使用的光谱仪为自带卤化灯和手持叶夹的主动式光谱反射率测量仪,保证了叶片水平且具有相同的探测面积,从而消除了由叶片表面弯曲、叶片内部结构变异、传感器姿态、大气吸收、背景信息等因素造成的影响,所测得的光谱反射率值精度较高,这在一定程度上也增强了构建的估算模型的可靠性与稳定性。但上述叶片含水量估算模型是利用统计学方法获得的经验模型,虽具有一定的可靠性和普适性,但在时间域和空间域内仍然具有较大的局限性(宫兆宁等,2014)。此外,采用SMLR或PCR模型对‘温185’核桃叶片水分含量虽具有良好的反演估算效果,但本研究采用的光谱仪光谱探测范围仅为310~1 130 nm,并不包含对水分较为敏感的远红外波段,存在很大的局限性。因此,所构建的模型能否适用于其他生境、品种和生长阶段的核桃,有待进一步研究。
4 结论应用光谱技术对新疆南疆盆地人工绿洲核桃果实不同生育时期叶片含水量进行定量适时反演是可行的,表明光谱技术在核桃树体水分含量信息探测方面具有较大的应用潜力。
[] |
宫兆宁, 赵雅莉, 赵文吉, 等. 2014. 基于光谱指数的植物叶片叶绿素含量的估算模型. 生态学报 , 34 (20) : 5736–5745.
( Gong Z N, Zhao Y L, Zhao W J, et al.2014. Estimation model for plant leaf chlorophyll content based on the spectral index content. Acta Ecologica Sinica , 34 (20) : 5736–5745. [in Chinese] ) |
[] |
郭超凡, 段福洲, 郭逍宇, 等. 2014. 基于最佳波段判别的湿地植物叶片全氮反演研究. 生态学报 , 34 (17) : 4839–4849.
( Guo C F, Duan F Z, Guo X Y, et al.2014. Estimating wetland plant leaf total nitrogen content based on optimal bands of reflectance from wetland vegetation. Acta Ecologica Sinica , 34 (17) : 4839–4849. [in Chinese] ) |
[] |
林川, 宫兆宁, 赵文吉. 2011. 叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型. 生态学报 , 31 (22) : 6645–6658.
( Lin C, Gong Z N, Zhao W J.2011. Hyperspectral estimation models for plant community water content at both leaf and canopy levels in wild duck lake wetland. Acta Ecologica Sinica , 31 (22) : 6645–6658. [in Chinese] ) |
[] |
吴仲贤. 1993. 生物统计. 北京: 北京农业大学出版社 .
( Wu Z X. 1993. Biostatistics. Beijing: Beijing Agricultural University Press . [in Chinese] ) |
[] |
谢深喜, 张秋明, 熊兴耀, 等. 2008. 水分胁迫对柑橘叶片和根系细胞超微结构的影响. 湖南农业大学学报:自然科学版 , 34 (2) : 168–172.
( Xie S X, Zhang Q M, Xiong X Y, et al.2008. Effect of water stress on leaf and root cell ultra-structure of Citrus. Journal of Hunan Agricultural University:Natural Sciences , 34 (2) : 168–172. [in Chinese] ) |
[] |
徐希儒. 2005. 遥感物理. 北京: 北京大学出版社 .
( Xu X R. 2005. Remote sensing physical. Beijing: Peking University Press . [in Chinese] ) |
[] |
薛利红, 罗卫红, 曹卫星, 等. 2003. 作物水分和氮素光谱诊断研究进展. 遥感学报 , 7 (1) : 73–80.
( Xue L H, Luo W H, Cao W X, et al.2003. Research progress on the water and nitrogen detection using spectral reflectance. Journal of Remote Sensing , 7 (1) : 73–80. [in Chinese] ) |
[] |
杨勇, 张冬强, 李硕, 等. 2011. 基于光谱反射特征的柑橘叶片含水率模型. 中国农学通报 , 27 (2) : 180–184.
( Yang Y, Zhang D Q, Li S, et al.2011. Model for citrus leaves water content based on spectral signature. Chinese Agricultural Science Bulletin , 27 (2) : 180–184. [in Chinese] ) |
[] |
钟义山, 陈华豪. 1987. 关于材积表适用性F检验的一点讨论. 林业资源管理 (1) : 74–77.
( Zhong Y S, Chen H H.1987. Some discussions about the F test of volume table adaptive. Forest Resource Management, (1) : 74–77. [in Chinese] ) |
[] |
朱西存, 姜远茂, 赵庚星, 等. 2014. 基于光谱指数的苹果叶片水分含量估算模型研究. 中国农学通报 , 30 (4) : 120–126.
( Zhu X C, Jiang Y M, Zhao G X, et al.2014. Hyperspectral estimating leaf water contents based on spectral index in apple. Chinese Agricultural Science Bulletin , 30 (4) : 120–126. [in Chinese] ) |
[] | Bortolot Z J, Wynne R H.2003. A method for predicting fresh green leaf nitrogen concentrations from shortwave infrared reflectance spectra acquired at the canopy level that requires no in situ nitrogen data. International Journal of Remote Sensing , 24 (3) : 619–624. DOI:10.1080/01431160304993 |
[] | Ceccatoa P, Flasseb S, Tarantolac S, et al.2001. Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment , 77 (1) : 22–33. DOI:10.1016/S0034-4257(01)00191-2 |
[] | Cheng T, Rivard B, Sánchez A A.2011. Spectroscopic determination of leaf water content using continuous wavelet analysis. Remote Sensing of Environment , 115 (2) : 659–670. DOI:10.1016/j.rse.2010.11.001 |
[] | Clevers J G P W, Kooistra L.2008. Using spectral information at the NIR water absorption features to estimate canopy water content and biomass. International Journal of Applied Earth Observation and Geoinformation , 10 (3) : 388–397. DOI:10.1016/j.jag.2008.03.003 |
[] | Dubey R S. 1999. Handbook of plant and crop stress. 2nd ed.New York: Marcel Dekker . |
[] | Hen Z Q, Wang K, Huang X W.2010. Estimating the content of soil carbon by using near-infrared spectra. Journal of Infrared and Millimeter Waves , 29 (1) : 31–37. |
[] | Johnson L F, Hlavka C A, Perterson D L.1994. Multivariate analysis of AVIRIS data for canopy biochemical estimation along the Oregon transect. Remote Sensing of Environment , 47 (2) : 216–230. DOI:10.1016/0034-4257(94)90157-0 |
[] | Kawamura K, Watanabe N, Sakanoue S, et al.2008. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection. Grassland Science , 54 (3) : 131–145. DOI:10.1111/grs.2008.54.issue-3 |
[] | Kokaly R F, Clark R N.1999. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment , 67 (3) : 267–287. DOI:10.1016/S0034-4257(98)00084-4 |
[] | Kramer P J. 1983. Water relation of plants. New York: New York Press . |
[] | Lee K S, Cohen W B, Kennedy R E, et al.2004. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes. Remote Sensing of Environment , 91 (3/4) : 508–520. |
[] | Menesatti P, Antonucci F, Pallottino F, et al.2010. Estimation of plant nutritional status by Vis-NIR spectrophotometric analysis on orange leaves. Biosystems Engineering , 105 (4) : 448–454. DOI:10.1016/j.biosystemseng.2010.01.003 |
[] | Pasternak H, Edan Y, Schmilovitch Z.2001. Overcoming multicollinearity by deducting errors from the dependent variable. Journal of Quantitative Spectroscopy & Radiative Transfer , 69 (6) : 761–768. |
[] | Penauelas J, Pinaol J, Ogaya R, et al.1997. Estimation of plant water concentration by the reflectance water index WI (R900/R970). International Journal of Remote Sensing , 18 (13) : 2869–2875. DOI:10.1080/014311697217396 |
[] | Penuelas J, Filella I, Sweeano L.1996. Cell wall elastivity and water index (R970/R900) in wheat under different nitrogen availabilities. International Journal of Remote Sensing , 17 (3) : 373–382. |
[] | Pu R, Ge S, Kell N M, et al.2003. Spectral absorption features as indicators of water status in coast live oak (Quercus agrifolia) leaves. International Journal of Remote Sensing , 24 (9) : 1799–1810. DOI:10.1080/01431160210155965 |
[] | Riedell W E, Blackmer T M.1999. Leaf reflectance spectra of cereal aphid damaged wheat. Crop Science , 39 (6) : 1835–1840. DOI:10.2135/cropsci1999.3961835x |
[] | Shahenshah, Yoshizumi Y, Li M S, et al.2010. Assessment of photochemical reflectance index as a tool for evaluation of chlorophyll fluorescence parameters in cotton and peanut cultivars under water stress condition. Agricultural Sciences in China , 9 (5) : 662–670. DOI:10.1016/S1671-2927(09)60141-3 |
[] | Shirley M N, Vincent P M, Darryl L P.1990. Abscisic acid accumulation and carotenoid and chlorophyll content in relation to water stress and leaf age of different types of citrus. Journal of Agricultural and Food Chemistry , 38 (6) : 1326–1334. DOI:10.1021/jf00096a007 |
[] | Somers B, Gysels V, Verstraeten W W, et al.2010. Modelling moisture-induced soil reflectance changes in cultivated sandy soils:a case study in citrus orchards. Eurasian Journal of Soil Science , 61 (6) : 1091–1105. DOI:10.1111/ejs.2010.61.issue-6 |
[] | Suo X M, Jiang Y T, Yang M, et al.2010. Artificial neural network to predict leaf population chlorophyll content from cotton plant images. Agricultural Sciences in China , 9 (1) : 38–45. DOI:10.1016/S1671-2927(09)60065-1 |
[] | Suplick-Ploense M R, Alshammary S F, Qian Y L.2011. Spectral reflectance response of three turf grasses to leaf dehydration. Asian Journal of Plant Sciences , 10 (1) : 67–73. DOI:10.3923/ajps.2011.67.73 |
[] | Thenot F, Méthy M, Winkel T.2002. The photochemical reflectance index (PRI) as a water-stress index. International Journal of Remote Sensing , 23 (23) : 5135–5139. DOI:10.1080/01431160210163100 |
[] | Thomas J R, Namken L N, Oerther G F, et al.1971. Estimating leaf water content by reflectance measurements. Agronomy Journal , 63 : 845–847. DOI:10.2134/agronj1971.00021962006300060007x |
[] | Yang J, Tian Y C, Yao X, et al.2009. Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice. Acta Ecologica Sinica , 29 (12) : 6561–6571. |
[] | Zhang Q X, Li Q B, Zhang G J.2012. Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection. Spectroscopy:An International Journal , 27 (2) : 93–105. |
[] | Zhang Y S, Yao X, Tian Y C, et al.2010. Estimating leaf nitrogen content with near infrared reflectance spectroscopy in rice. Chinese Journal of Plant Ecology , 34 (6) : 704–712. |